面向多元时间序列预测的演化集成学习
神经与进化计算
2021-08-24 v1 人工智能
机器学习
摘要
多元时间序列（MTS）预测在金融、能源与交通等诸多领域中起着关键作用，其中每个独立时间序列对应于从某一数据源（所谓通道）收集的数据。构建 MTS 预测模型（PM）的典型流程包括：从所有可用通道中选取子集、从所选通道提取特征，并基于所提取特征建立 PM，其中每一组件都涉及特定优化任务，即通道选择、特征提取（FE）方法选择与 PM 选择，以及对所选 FE 方法与 PM 的配置。相应地，追求最佳预测性能对应于通过求解流程中所有相关优化问题来优化该流程。由于解空间极为庞大，这是一项非平凡任务。与多数现有工作仅针对流程某些组件进行优化不同，我们提出一种新颖的演化集成学习框架，以整体方式优化整个流程。该框架中，特定流程被编码为候选解，并在不同种群规模下应用多目标演化算法以产生多个帕累托最优集（POSs）。最后，设计选择性集成学习，利用贪婪序贯选择与最小二乘法从 POSs 中选取最优解子集并组合以得出最终预测。我们实现了所提框架，并在两个真实应用（即电力消耗预测与空气质量预测）上评估了实现。与最先进技术的性能比较证明了所提方法的优越性。
引用
@article{arxiv.2108.09659,
title = {Evolutionary Ensemble Learning for Multivariate Time Series Prediction},
author = {Hui Song and A. K. Qin and Flora D. Salim},
journal= {arXiv preprint arXiv:2108.09659},
year = {2021}
}